高斯模糊滤镜
高斯模糊是一个对图像处理的方法，原理的话其实非常简单，用一个词来说的话也就是加权平均
用一句话来总结的话：
对于一张图片上的每一个像素点，以这个像素点为中心，用周围的像素点的RGB分量加权平均后的RGB分量替代这个像素点的RGB分量，重新绘出这个像素点，就可以得到高斯模糊效果
其实很好来理解：
跟求平均值是一个道理，假如我们，取得范围为中心像素点临近的8个像素点(类似于九宫格，也可以理解为一个3X3的方阵或者是3行3列的二维数组)
对于第一张图的3X3矩阵，每一个位置表示一个像素点，然后每一个网格中对应的值为R分量，我们按照等概率求R分量的平均值，得到的平均值给中间位置的像素点，对G分量，B分量也是同样的操作，在得到三个分量的平均值后，画出中心那个像素点，然后对每个像素点都进行同样的操作，就会出现张模糊的图片了，但是我们知道用等概率矩阵的话是不够科学的，因为生活中很多事情的发生都不会是等概率的，事实说明，越靠近中心的像素点权值越高，因此我们可以用到高中正态分布的知识进行处理
对于图像像素点的处理的话，显然用一元正态分布函数不够合理，需要用到推导出来的二元正态分布函数，并且对于图像的处理，我们只需要用到顶点在(0,0)，x与y的方差相同的一个标准正态分布函数：
函数表达式为:
然后用这个公式计算在模糊半径（选取的矩阵大小，模糊半径为一就是3X3矩阵，依此类推）内的权值，计算出来周围各个像素点的权值之后，对应像素点的RGB分量乘以对应位置的权值，并且求和(特别注意的是，算出来的权值矩阵需要处理，因为这些权值的总和不为1，所以要让他们的总和为1)
算出来的权值如下图
加权平均后得到的RGB分量平均值给中心像素点，绘出中心像素点，并且对每个像素点执行同样的操作（如果像素点在边缘的话，超出图像像素点范围的RGB值就是0）绘出图像，效果如图所示
代码：
//获取绝对文件名的对应的jpg文件上面的像素点数组用此方法
public void getImagePixel(String image) {
try {
//1、获取filename文件路径上的jpg图像文件
Image=ImageIO.read(new File(image));
//2、给newImage赋值，使他的长度，宽度，和图像文件类型与Image的属性一样
newImage=new BufferedImage(Image.getWidth(), Image.getHeight(), Image.getType());
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
说明：在代码块中Image，newImage都是之前定义的BufferImage对象
//获取newImage上面得画布对象
Graphics2D newgraphics=(Graphics2D)newImage.getGraphics();
//然后遍历Image上的像素点，获取每个像素点周围的RGB值，RGB值的话，我们将其放在三个二维数组中
for(int i=0;i<Image.getWidth();i++) {
for(int j=0;j<Image.getHeight();j++) {
//首先定义三个二维矩阵存储RGB值，权重矩阵，总权值变量
//并且我的想法是使二维数组矩阵的大小与模糊半径有关
double[][] weight_matrix=new double[2*matrix_R+1][2*matrix_R+1];
double ALL_weight_data=0;//首先总权值ALL_weight_data=0
int[][] color_R=new int[2*matrix_R+1][2*matrix_R+1];
int[][] color_G=new int[2*matrix_R+1][2*matrix_R+1];
int[][] color_B=new int[2*matrix_R+1][2*matrix_R+1];
for(int row=0;row<weight_matrix.length;row++) {
for(int lie=0;lie<weight_matrix[row].length;lie++) {
//首先判断获取RGB值得坐标是否超出了Image的weight和height，如果没有超出的话
//将RGB三个值分别传入三个二维矩阵对应的位置上，并且计算该位置的高斯权值
if(i-matrix_R+row>=0&&j-matrix_R+lie>=0&&i-matrix_R+row<Image.getWidth()&&j-matrix_R+lie<Image.getHeight()) {
color_R[row][lie]=getcolor_data(Image, i-matrix_R+row,j-matrix_R+lie )[0];
color_G[row][lie]=getcolor_data(Image, i-matrix_R+row,j-matrix_R+lie )[1];
color_B[row][lie]=getcolor_data(Image, i-matrix_R+row,j-matrix_R+lie )[2];
weight_matrix[row][lie]=Gauss_formula(1.50, (double)(row-matrix_R), (double)(lie-matrix_R));
}
else {
weight_matrix[row][lie]=0;
color_R[row][lie]=0;
color_G[row][lie]=0;
color_B[row][lie]=0;
}
}
}
//用两个双重for循环来重新分配权值
for(int row=0;row<weight_matrix.length;row++) {
for(int lie=0;lie<weight_matrix[row].length;lie++) {
ALL_weight_data+=Gauss_formula(1.50, (double)(row-matrix_R), (double)(lie-matrix_R));
}
}
for(int row=0;row<weight_matrix.length;row++) {
for(int lie=0;lie<weight_matrix[row].length;lie++) {
weight_matrix[row][lie]=Gauss_formula(1.50, (double)(row-matrix_R), (double)(lie-matrix_R))/ ALL_weight_data;
}
}
//定义一个三个平均值变量
int aver_R=0,aver_G=0,aver_B=0;
//再次用一个双重for循环计算RGB值得加权平均
for(int row=0;row<weight_matrix.length;row++) {
for(int lie=0;lie<weight_matrix[row].length;lie++) {
aver_R+=(int)(color_R[row][lie]*weight_matrix[row][lie]);
aver_G+=(int)(color_G[row][lie]*weight_matrix[row][lie]);
aver_B+=(int)(color_B[row][lie]*weight_matrix[row][lie]);
}
}
//setColor
Color color=new Color(aver_R,aver_G,aver_B);
newgraphics.setColor(color);
newgraphics.drawLine(i, j, i, j);
k.setColor(color);
k.drawLine(i, j, i, j);
}
}
public double Gauss_formula(double cgm,double x,double y ) {
double Gauss_price;
Gauss_price=(1/(2*Math.PI*Math.pow(cgm, 2)))*Math.exp(-(Math.pow(x, 2)+Math.pow(y, 2))/(2*Math.pow(cgm, 2)));
return Gauss_price;
}
//这个方法的用处是用于获取Image对象的RGB参数值并且获得他的r，g，b分量
public int[] getcolor_data(BufferedImage Image,int i,int j) {
int getcolor=Image.getRGB(i, j);
int[] rgb_group_data=new int[3];
Color c=new Color(getcolor);
rgb_group_data[0]=c.getRed();
rgb_group_data[1]=c.getGreen();
rgb_group_data[2]=c.getBlue();
return rgb_group_data;
}